Fraude em transações online não são um problema só dos bancos. Todos os produtos e serviços comprados através de sistemas digitais – inclusive onde não há troca de dinheiro, como serviços segurados – podem ser alvo de fraudes, o que gera prejuízo para as empresas e encarece o preço final para o consumidor. Por isso, não é à toa que as soluções antifraude estão evoluindo rapidamente. A novidade neste setor são os sistemas que se baseiam em aprendizado de máquina, quando o software aprende continuamente conforme os processos são analisados e concluídos.
Os sistemas com base em aprendizado de máquina – um subcampo da Inteligência Artificial – têm diversas aplicações: além de detectar fraudes, podem ser usados para reconhecer perfis e propor ofertas a clientes, otimizar processos, como logísticas de entrega ou ainda análise preditiva com base nos padrões já identificados. O estudo “The Age of Analytics: Competing in a Data-Driven World”, do McKinsey Global Institute, publicado em dezembro de 2016, identificou 120 áreas de 12 indústrias diferentes com grande potencial para ampliar a produtividade com sistemas de aprendizagem de máquina. A pesquisa entrevistou mais de 600 especialistas de diversos segmentos.
Com cada vez mais instituições utilizando Big Data, as soluções com aprendizado de máquina vão se tornando ainda mais interessantes, pois elas têm uma capacidade maior de cruzamento de informações. No caso dos sistemas voltados para prevenir fraudes, a demanda é grande em inúmeros segmentos, como o setor financeiro e de crédito, a área de seguros, como os de saúde, de automóveis, etc., e o comércio eletrônico.
Os sistemas antifraude funcionam, basicamente, tentando comprovar a identidade das pessoas. Soluções que utilizam aprendizado de máquina analisam os dados fornecidos por cada cliente para criar e identificar padrões e detectar os perfis que fogem à regra. Conforme a fraude é confirmada ou não, o software reaprende e se ajusta automaticamente, em caso de falhas. Este tipo de solução consegue perceber relações “escondidas” entre dados, ou seja, que não seriam identificadas por pessoas ou por sistemas alimentados apenas por definições criadas por humanos.
Outro grande diferencial dos sistemas antifraude com aprendizado de máquina em relação aos modelos tradicionais é a maior assertividade. Quando colocamos a máquina para aprender com suas próprias avaliações, o refinamento é muito maior do que quando simplesmente estipulamos regras genéricas baseadas na média dos perfis do público-alvo. Além disso, estas soluções conseguem pegar mais rapidamente as novas técnicas que os fraudadores vão desenvolvendo.
É possível ainda iniciar um sistema com aprendizado de máquina em conjunto com dados e regras previamente definidas e deixar que o software vá fazendo os ajustes a partir daí. Aliados a outras ferramentas, os sistemas antifraude podem até mesmo prescindir de analistas humanos para solucionar casos suspeitos, pois certas situações podem ser resolvidas com uma confirmação via SMS, por exemplo.
Para os próximos cinco a dez anos, outra evolução que promete trazer grandes avanços aos sistemas com aprendizado de máquina é o Deep Learning. Enquanto nos sistemas com aprendizado de máquina tradicionais, a qualidade dos algoritmos depende de como o analista de dados constrói a representação das características dos perfis, no Deep Learning, os algoritmos têm uma abordagem diferente. Eles dispensam grande parte do pré-processamento e geram de forma automática suas propriedades.
[author] [author_image timthumb='on']https://docmanagement.com.br/wp-content/uploads/2017/08/Isaque-Lima-Stone-Age-2.jpg[/author_image] [author_info]Isaque Lima
Arquiteto de Software da Stone Age[/author_info] [/author]
5